面向混合推荐系统的变分带宽自编码器

混合推荐近年来备受关注，其中利用用户特征作为辅助信息以解决用户-物品交互不足所导致的稀疏性问题。然而，提取的用户特征通常包含丰富的多模态信息，且其中大部分与推荐目标无关。因此，过度依赖这些特征会使模型在噪声上过拟合且难以泛化。本文提出一种用于推荐的变分带宽自编码器（VBAE），旨在同时解决稀疏性与噪声问题。VBAE首先通过深度神经网络将用户协同信息与特征信息编码为高斯潜变量，以捕捉非线性用户相似度。此外，从信息论视角将协同变量与特征变量的融合视为一个虚拟通信信道，我们引入一种依赖于用户的信道，动态控制允许从特征嵌入中访问的信息量。相应地，提出一种量子启发的隐评分嵌入不确定性度量，通过从语义信息中解耦评分中的不确定性信息来推断信道带宽。通过该机制，当协同信息不足时，VBAE纳入来自用户特征的充分辅助信息，同时避免过度依赖含噪用户特征，从而提升其对新用户的泛化能力。在三个真实数据集上的大量实验证明了所提方法的有效性。代码与数据集发布于 https://github.com/yaochenzhu/vbae。